AI 소식

한국은행이 18일 발표한 'BOK 이슈노트: 청년고용 위축, AI 탓인가?' 보고서에 따르면 2022년 6월부터 2026년 6월까지 4년간 청년층(15~29세) 일자리는 28만 5000개 줄었고, 이 가운데 94%인 26만 8000개가 'AI 고노출 업종'에서 사라졌다. AI 영향이 작은 저노출 업종의 감소는 1만 7000개에 그쳤다. 업종별로는 정보서비스업 청년 취업자가 31.4%, 출판업 27.4%, 컴퓨터 프로그래밍·시스템통합관리업 16.6%, 전문서비스업 11.6% 감소했다. 반면 같은 기간 50대 일자리는 23만개 늘었고 그중 75.2%가 AI 고노출 업종에서 증가해, 충격이 청년층에 집중된 것으로 나타났다. 챗GPT 공개 이전 0.2%포인트에 불과하던 대졸 이상과 전문대졸 이하 청년 실업률 격차는 이후 1.6%포인트까지 벌어졌다. 오삼일 한은 고용연구팀장은 "AI는 매뉴얼로 정리 가능한 업무를 대체하는데 이런 업무는 청년층이 많이 맡는다"며 경력 사다리 재설계를 강조했다.

국민 누구나 비용·이용량 제한 없이 쓸 수 있는 범용 AI 챗봇과 공공 AI 에이전트를 만드는 과학기술정보통신부 '모두의 AI' 사업 공모가 18일 마감돼 6개 컨소시엄이 참여했다. 주관사는 SK텔레콤, KT, 카카오, 이스트소프트, 제논, 엠케이디다. SKT는 엘리스그룹·라이너·노타 등과, KT는 NC AI·업스테이지·모티프테크놀로지스·무신사·리벨리온 등과 팀을 꾸렸다. 카카오 컨소시엄에는 LG AI연구원·LG CNS·LG유플러스·LG전자 등 LG 계열사와 퓨리오사AI 등 14개 기업이 합류했으며, 카카오는 "5000만명의 일상을 연결해온 카카오톡 노하우로 생활 밀착형 AI 서비스를 구현하겠다"고 밝혔다. 유력 후보로 꼽히던 네이버는 짧은 구축 기간과 비용 부담, 국산 모델 활용 요건 등을 이유로 최종 불참했다. 정부는 선정 사업자에게 엔비디아 GPU 'B200' 최대 512장을 지원하되 인건비는 별도 제공하지 않으며, 이달 말까지 사업자를 선정해 연내 서비스를 개시할 계획이다.

과학기술정보통신부의 '독자 AI 파운데이션 모델(독파모)' 프로젝트 2차 평가에서 LG AI연구원·SK텔레콤·업스테이지 3개 팀이 통과했다. 평가는 벤치마크 40점, 전문가 35점, 사용자 25점 등 100점 만점으로 진행됐고, 이번에 신설된 사용자 평가에는 일반 국민 185명과 전문 AI 이용자 49명이 직접 참여했다. 벤치마크 점수 1위였던 모티프테크놀로지스가 사용자 점수에서 밀려 탈락했으며, 1위와 4위의 격차는 벤치마크 4.0점, 전문가 2.4점, 사용자 5.0점에 불과할 만큼 촘촘했다. 정부는 남은 3개 팀에 하반기 엔비디아 B200 GPU를 팀당 1000장 수준으로 지원하며, 6개월 임차 기준 팀당 약 400억원이 투입된다. 다만 최종 2개 팀 선정은 내년 초 3차 평가로 미뤄졌고, 류제명 2차관은 "전면적으로 재편하는 방향을 고민 중"이라고 밝혔다. 업계에서는 '모두의 AI', '프런티어 AI' 등 유사 사업이 동시에 진행되며 인력과 GPU가 분산된다는 지적도 나온다.

대기업과 중소기업 사이의 AX(인공지능 전환) 격차가 새로운 과제로 떠올랐다. 대한상공회의소 '생성형 AI 활용의 대-중소기업 격차' 보고서에 따르면 대기업 근로자의 생성형 AI 단순 활용률은 66.5%로 중소기업(52.7%)보다 13.8%포인트 높았다. 생성형 AI 도입 로드맵이 없는 중소기업은 70.4%로 대기업(54.4%)을 크게 웃돌았고, 교육·훈련, 내부 가이드라인, 맞춤형 AI 도구 제공 등 거의 모든 지원 항목에서 중소기업이 뒤처졌다. 중소기업중앙회 조사에서는 도입을 막는 최대 요인으로 초기 비용 부담(44.2%), 인력 부족(20.5%), 전략 부재(14.9%)가 꼽혔고, 필요 지원책으로는 직접 자금 지원(72.3%)이 압도적이었다. 정부 대응으로 중소벤처기업진흥공단은 재직자 대상 'AI 아카데미'를 시범 운영해 생성형 AI 기반 보고서 작성, 업무별 프롬프트 설계, 제조 데이터 기반 불량률·납기·재고 분석 등을 가르치고 있다. 중기부는 서비스 분야 중소기업 175개사를 선정해 신규 솔루션 개발에 5000만원, 기존 서비스 고도화에 최대 1억원을 지원한다.

생성형 AI가 학습·취업 준비·업무의 필수 도구가 되면서 지자체들이 청년의 AI 구독료를 대신 내주는 'AI 복지' 경쟁에 뛰어들었다. 서울시는 제2회 추경에 '청년 AI 사다리' 사업비 56억2500만원을 편성해 10월부터 19~29세 청년 50만명에게 코딩·AI 에이전트 등 고급 기능이 포함된 생성형 AI 이용권을 1년간 제공한다. 1인당 3개월분 1만1250원(월 3750원) 기준이며, 1년 운영에 총 225억원이 필요해 나머지는 내년 본예산에서 확보해야 한다. 시는 글로벌 AI 기업들과 1인당 월 2~2.5달러 수준으로 협의 중이라고 밝혔다. 울산시는 19~39세 1000명에게 챗GPT·제미나이·클로드 등 6종 중 하나의 결제액 90%를 최대 10만원까지 환급하고 있고, 용인·의정부·군포·경기도도 유사 사업에 나섰다. 다만 세금으로 해외 빅테크 이용자를 늘려준다는 비판과 기존 사업과의 중복 문제도 함께 제기된다.

오픈AI가 18일(현지시간) '청소년용 챗GPT' 모드를 출시했다. 이용자가 나이를 13~17세로 입력하거나 시스템이 18세 미만으로 추정하면 계정이 자동 전환된다. 자해·폭력·섭식장애·위험 행동·성적 콘텐츠 관련 답변을 강하게 통제하고, 민감한 사진 업로드 시 경고하는 기능을 넣었다. 특히 챗GPT가 인간처럼 행동하며 정서적 교감을 자극하거나 의존을 유발하지 못하도록 로맨틱한 표현과 감정·자의식을 가진 인격체 묘사를 금지했다. 부모 관리 도구로는 사용을 전면 차단하는 '방해금지 시간'과 공부 모드를 기본값으로 하는 '공부 시간'을 설정할 수 있다. 공부 모드는 정답을 바로 주는 대신 되질문하고 단계별 원리를 짚어주는 방식이며, 부모가 설정하지 않아도 숙제 지름길을 찾으려는 의도를 감지해 자동 전환하는 기능도 탑재했다. 챗GPT와 교류하던 10대의 자해 사례 등으로 여러 소송에 직면한 가운데, 기업공개(IPO)를 앞두고 사법 리스크를 해소하려는 조치로 풀이된다.

안내 로봇과 자율주행 카트의 시험대였던 공항이 소프트웨어 중심 'AI 전환(AX)'의 초거대 테스트베드로 바뀌고 있다. 항공 통신 업체 SITA 보고서에 따르면 지난해 전 세계 항공사와 공항의 연간 IT 투자 규모는 각각 360억달러(약 51조원), 148억달러(약 21조원)에 달했고, 항공사의 79%가 향후 12개월간 생성형 AI 등을 최우선 투자 대상으로 꼽았다. 전 세계 항공사의 63%가 항공기 배치·승무원 가용성 조정 등 운영 통제에 이미 AI를 쓰고 있지만, 항공기 턴어라운드 실시간 모니터링에 AI를 쓰는 곳은 17%에 그쳐 성장 여지가 크다. 국내에서는 LG CNS가 한국공항공사와 'KAC AI 마스터플랜' 사업에 착수해, 현장 직원이 음성으로 화재·테러 의심 상황을 전하면 에이전틱 AI가 보고서를 자동 생성하고 초동 대처를 안내하는 등 50개 과제의 실증을 진행한다. 인천국제공항공사는 삼성SDS와 협약을 맺고 기업용 생성형 AI '브리티 코파일럿'을 도입했다. 해외에서는 네덜란드 스히폴 공항이 딥러닝 기반 턴어라운드 최적화로 활주로 병목과 지연을 최대 30%까지 줄였다.

오픈AI가 차기 모델 '아스트라(Astra)'가 자사 Preparedness Framework의 '크리티컬 사이버보안 역량' 임계치를 넘길 수 있다는 예비 증거를 확인하고, 스케일링 속도를 일시 조정했다고 공개했다. 배포 예정 최신 모델의 강화학습(RL) 훈련을 2주간 중단했고, 최대 규모 프런티어 RL 런은 여전히 보류 상태에서 소규모 학습·평가로 정렬 증거를 먼저 확보하고 있다. 보안 측면에서는 모델 생성 코드 실행 워크로드의 강한 샌드박스 격리, 고위험 워크로드의 네트워크 격리, 공유 서비스 제거와 상시 권한 축소, 모델을 활용한 자동 침투 테스트를 도입했다. 모니터링은 샘플링되는 모든 토큰에 활성화 분류기(activation classifier)를 돌리고 이상 징후를 고연산 자동 조사관으로 에스컬레이션하는 다단계 구조이며, 문제 활동 감지 후 30분 내 알림 발령을 목표로 한다. 30분 안에 오탐으로 확정하지 못하면 안전·보안·연구팀이 해당 활동을 중단시켜야 하며, 이 감시 공정의 오버헤드는 대상 추론 컴퓨트의 약 20% 수준으로 추정된다.

AI 코딩 기업 Warp가 소프트웨어 팩토리 구축·운영을 인프라 계층으로 제공하는 'Warp Factories'를 발표했다. 트리아지, 명세, 구현, 리뷰, 검증이라는 표준 개발 단계를 골격으로 삼고 각 단계를 에이전트로 자동화하는 구조다. 코딩 모델과 하네스를 직접 고를 수 있어 Codex와 Claude Code가 동일하게 작동하며, Linear·Jira 같은 티켓팅과 Slack·Teams 같은 메시징에도 통합된다. Warp CEO 잭 로이드는 "클라우드에서 에이전트를 실행하고 실행 중 조종하기, 작업을 로컬로 가져오기, 에이전트 간 메모리와 평가(eval) 설정을 제대로 하려면 엄청난 인프라 작업이 필요하다"며 자체 구축 여력이 없는 소규모 기업을 타깃으로 지목했다. 이미 Stripe는 'minions' 시스템을, Ramp는 배포 후 자기 코드를 감시하는 백그라운드 에이전트를 자체 구축해 쓰고 있다. 모든 에이전트가 동일 환경에서 돌기 때문에 구성별 성능 비교와 전체 토큰 지출 모니터링이 쉬우며, 로이드는 Warp 내부에서 주간 작업의 약 30~35%를 자동화하고 있다고 밝혔다.

Wiz의 자율 보안 에이전트 'Red Agent'가 snowflakedb/snowflake-connector-net 저장소의 jira_issue.yml 워크플로에서 스크립트 인젝션 취약점을 발견하고 인간 개입 없이 익스플로잇까지 완료했다. 기존의 안전한 env 변수 + jq --arg 패턴을 제거하고 github.event.issue.title을 셸 문자열에 직접 보간하는 코드로 바꾼 것이 원인으로, sed 이스케이핑이 GitHub 템플릿 전개 이후에 실행되기 때문에 이슈 제목에 작은따옴표 하나만 넣어도 임의 명령 실행이 가능했다. 보호 장치로 보이던 if 조건은 issues 이벤트에서 github.event.pull_request가 항상 null이라 사실상 항상 참이 됐다. Red Agent는 첫 페이로드가 bash 구문 오류를 내자 스스로 원인을 분석해 페이로드를 수정했고, 러너에서 base64 인코딩된 Jira 자격증명 콜백을 수신했다. GitHub Advanced Security 스캔은 해당 워크플로를 추출하고도 인젝션을 잡아내지 못했으며, 노출 기간은 5일, Snowflake는 발견 당일 패치하고 다음 날 토큰을 교체했다. AI 에이전트가 발견·검증·익스플로잇 전 과정을 자율 수행한 사례로 CI/CD 파이프라인 점검 필요성을 보여준다.

엔비디아가 오픈소스 모델 생태계에 260억 달러를 투입하고 있다는 보도를 출발점으로, 오픈 모델의 경제적 지속가능성을 따진 분석 글이다. 저자 네이선 램버트는 학습 레시피·데이터·코드를 모두 공개하는 '오픈소스 LLM'(Ai2 Olmo, EleutherAI Pythia, 엔비디아 Nemotron)과 가중치·추론 코드만 공개하는 '오픈 웨이트 모델'을 구분하고, 후자는 리눅스 같은 OS라기보다 특정 소프트웨어 버전에 가깝다고 본다. 엔비디아의 전략은 누구나 토큰 생산기를 만들게 해 추론 수요를 키우는 것이지만, 이는 몇 년 내 API 수익에 비례하는 보상 루프가 돌아와야 유지된다고 지적한다. 저자가 더 유력하게 보는 시나리오는 오픈 모델이 효율성·수정 가능성·특화 쪽으로 분기해 온프레미스 사내 데이터 기반 엔터프라이즈 에이전트 같은 롱테일을 채우는 것이다. 파인튜닝 API로는 Tinker가 가장 인기 있고, DeepSeek V4 Flash·Inkling Small·GLM 5.X를 에이전트 태스크용으로 후처리 학습하는 흐름이 관측된다. Kimi-K3와 Qwen3.8이 도입한 수익 배분(revenue share) 라이선스는 오픈 모델 재정 실험 사례로 꼽힌다.

알리바바 Qwen 연구소가 Apache 2.0으로 공개한 27B 파라미터 비전 지원 모델 Qwen 3.8 27B를 128GB M5 Max 맥북프로와 NVIDIA DGX Spark에서 직접 돌려본 실사용 리뷰다. 가장 큰 실무 함정은 reasoning_effort 기본값이 xhigh라는 점으로, 펠리컨-자전거 SVG 생성에 추론 토큰 22,276개를 쓰며 21분이 걸렸고 실제 출력은 3,223토큰에 불과했다(추론을 끄면 137초). "원 하나 그려줘" 수준의 요청에도 팔레트와 애니메이션을 고민하는 과잉 추론 트레이스를 남긴다. 반면 비전 성능은 뛰어나 0~1000 스케일 바운딩 박스를 정확히 잡아냈고, LM Studio와 코딩 에이전트 조합으로 실제 코드베이스 탐색과 변환 스크립트 작성까지 성공했다. 속도는 15~30 tok/s로 GPT-5.6 Sol(74 tok/s), Luna(184 tok/s)에 크게 뒤지지만, llama.cpp의 Multi-Token Prediction(--spec-type draft-mtp)을 적용하니 기본 GGUF 대비 약 72% 성능이 향상됐다. 17GB 파일 하나로 262,144 컨텍스트·툴콜링·비전·코드 생성을 모두 처리한다는 점이 핵심이며, 남은 병목은 dense 모델 특유의 메모리 대역폭 요구다.

허깅페이스 허브 데이터로 본 오픈 모델 생태계 반기 결산이다. 공개 모델 저장소는 243만에서 296만 개로, 데이터셋은 71.1만에서 100만 개로, Spaces는 100만에서 144만 개로 늘었지만 분포는 극단적이어서 모델의 85.6%가 평생 다운로드 200회 미만이고 저장소의 1.5%가 전체 다운로드의 99.2%를 차지한다. 2026년 거의 매달 중국 랩의 최대 오픈 모델이 미국 랩보다 컸으며, 중국 월간 상한선은 754B~2.78T 파라미터인 반면 미국은 7개월 중 5개월간 130B 미만이었다. 관심과 채택은 완전히 분리되어 다운로드 상위 25개와 좋아요 상위 25개의 교집합이 단 1개뿐이며, all-MiniLM-L6-v2는 7개월간 15.5억 회 다운로드됐다. Qwen은 파생 모델 151,448개(메타의 2.6배)를 보유해 커뮤니티의 사실상 베이스 모델이 됐고, Qwen GGUF 변환 28,531개 중 Qwen 자체 게시는 54개뿐이다. 로컬 추론 계층 성장세도 두드러져 gguf 선언 저장소가 464%, Apple MLX가 148% 늘어난 반면 transformers/peft는 16%에 그쳤다. 허브 에이전트 트래픽은 7월 기준 Claude Code 44.4%, Codex 20.8%였다.

메타가 CLI 기반 에이전틱 코딩 하네스 'Muse Code'와 이를 구동하는 저비용 모델 'Muse Spark 1.2'를 공개했다. 텍스트·이미지·비디오·PDF를 최대 1,048,576 토큰까지 입력받고 none부터 xhigh까지 6단계 추론 레벨, 툴 사용, 구조화 출력, 웹 검색, 컨텍스트 캐싱, 세션 전체에 존속하는 백그라운드 서브에이전트를 지원한다. 핵심은 이중 가격제로, 표준 티어는 100만 토큰당 입력/캐시/출력 $1.25/$0.15/$4.25이지만 프롬프트와 출력을 학습에 제공하는 컨트리뷰터 티어는 $0.10/$0.002/$0.20으로 약 10분의 1이다. 아키텍처상 메인 에이전트가 격리된 worktree에서 병렬 편집하는 영속 서브에이전트에 위임하고, 모든 호출과 편집을 로컬에 기록해 크래시 시 중단 지점부터 재개하며 /plan, /grill, /goal 세 기본 스킬을 제공한다. 벤치마크에서는 Artificial Analysis Intelligence Index 57점(태스크당 $0.40)으로 6위, 장문 추론 AA-LCR 83.3%로 전체 1위, Finance Agent v2에서 60.60%($0.77)로 45개 모델 중 1위를 기록했다. 파라미터 수·학습 데이터·지식 컷오프는 모두 비공개다.